【Pytorch学习】用pytorch搭建第一个神经网络

简述

虽然使用过pytorch来搭建GANs，但是对于Pytorch其实还是不是很熟，这里想系统的学习下。顺便再来做一下笔记。

学习网站

https://morvanzhou.github.io/tutorials/machine-learning/torch/3-01-regression/

大家直接看原文好了。这里我自己随便写写便于我自己记忆。

拟合过程

数据

• torch.unsqueeze()，会扩展这个维度。然后dim选择的方向是列的方向。这里，就是将[1,2,3]变成了[[1], [2], [3]] 类似于这样的操作。
• torch.rand() 随机数，范围为（0,1）然后，输入的内容为tuple表示规模
• 因为有结构的问题，所以，这里就直接使用了.data先获取数据之后，再用numpy()来转成numpy中的数据类型。
• 画图的话是基础，这里就不讲了。

import torch
import matplotlib.pyplot as plt
import torch.nn.functional as F     # 激励函数都在这

x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1)  # x data (tensor), shape=(100, 1)
y = x.pow(2) + 0.2*torch.rand(x.size())                 # noisy y data (tensor), shape=(100, 1)

# 画图
plt.scatter(x.data.numpy(), y.data.numpy())
plt.show()

建立神经网络

这里会写一个类。就是神经网络类。

• 基类为torch.nn.Module

在pytorch的官方文档中写道

Base class for all neural network modules.
所有神经网络的基类
Your models should also subclass this class.
你的模型也需要是这个类的子类
Modules can also contain other Modules, allowing to nest them in a tree structure. You can assign the submodules as regular attributes:
Modules可以包括其他的模块，允许按照树形结构建造它。你也可以创立一个子模块，通过下面的方式。（其实文档下写的标准方法，跟下面的是一样的）

• 通过super函数实现父类的初始化
• 创建类变量，一个隐藏层的模型，一个输出层模型
• 丢进去的两个参数，其实就都是数。表示的是输入这个小模块的长度，再到输出这个小模块的长度。其实就说这个模型就是隐含着一个矩阵，做了一个矩阵乘法之后，就可以得到后面的东西了。
• 重载了前向传播的函数内容。
• 表示，前向传播的过程中，先经过隐藏层模型，再被relu的激活模型调用，之后，在通过输出层。这就是整个前向传播的流程了

class Net(torch.nn.Module):  # 继承 torch 的 Module
    def __init__(self, n_feature, n_hidden, n_output):
        super(Net, self).__init__